Anhang A: Fragebögen und sonstige Unterlagen
|
|
- Bernd Heinrich
- vor 8 Jahren
- Abrufe
Transkript
1 Anhang Anhang A: Fragebögen und sonstige Unterlagen A.: Flyer zur Probandenrekrutierung 46
2 A.: Fragebogen zur Meditationserfahrung 47
3 48
4 A.3: Fragebogen Angaben zur Person 49
5 5
6 5
7 A.4: Termin- und Einladungsschreiben 5
8 A.5: Einverständniserklärung 53
9 A.6: SAM-Einführung 54
10 55
11 A.7: Fragebogen zur Ausgangslage 56
12 57
13 A.8: achbefragung 58
14 59
15 Anhang B: Stimulus Material B.: IAPS-Bilder bei den Frauen (In der Abfolge der Bilddarbietung im Experiment) B.: IAPS-Bilder bei den Männern (In der Abfolge der Bilddarbietung im Experiment) 6
16 B.3: Miniaturansicht aller verwendeten Bilder Die Lizenzbedingungen erlauben es nicht, die Bilder frei zugänglich zu machen!
17 B: Screenshots der Versuchsinstruktionen & SAM-Ratingskalen B.: Baseline Instruktion B.: Versuchsinstruktion 64
18 B.3: SAM-Ratingskala für die Intensität des Gefühls B.4: SAM-Ratingskala für die Valenz des Gefühl 65
19 Anhang C: SPSS-Tabellen Tabelle 9: Kolmogorov-Smirnov-Tests für alle SAM-Ratings Kolmogorov-Smirnov-Anpassungstest für alle SAM - Ratings Parameter der ormalverteilung a,b Mittelwert Standardabweichung SAM Intensität neg. Bilder SAM Intensität neutr. Bilder SAM Intensität pos. Bilder SAM Valenz neg. Bilder SAM Valenz neutr. Bilder SAM Valenz pos. Bilder ,548 3,964 5,46 3,79 5,887 6,44,4874,463,453,7589,3848,6795 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),74,8,75,8,8,96,,8,9,8,58,96 -,74 -,76 -,75 -,86 -,8 -,93,3,76,35,88,697,6,55,67,5,5,77,836 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Tabelle 3: Levene-Test zur Varianzhomogenität für alle SAM-Ratings Levene-Test auf Homogenität der Varianzen über die drei n für alle SAM-Ratings SAM Intensität neg. Bilder SAM Intensität neutrl. Bilder SAM Intensität pos. Bilder SAM Valenz neg. Bilder SAM Valenz neutrl. Bilder SAM Valenz pos. Bilder Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Levene- Statistik df df Signifikanz,87 39,68,567 39,,567 33,4,835 39,73,744 39,48,64 39,54,64 35,54,73 39,488,47 39,99,45 39,39,45 35,33,94 39,86,593 39,88,986 39,5,986 34,53,59 39,93,65 39,546,69 39,538,69 35,539,67 39,545,39 39,679,394 39,677,394 35,677,39 39,679 Tabelle 3: Kolmogorov-Smirnov-Tests für Achtsamkeitsindices Kolmogorov-Smirnov-Anpassungstest für "Achtsamkeitspraxis in Stunden" und "Prozentrang Achtsamkeit" Parameter der ormalverteilung a,b Mittelwert Standardabweichung Prozentrang Achtsamkeit Achtsamkeitspraxis in Stunden , ,947 9, ,57394 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),3,3,3,89 -,68 -,3,677,3,75, a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. 66
20 C.: SAM-Intensitätsratings Tabelle 3: Multivariate Tests für SAM-Intensitätsratings Multivariate Tests für SAM - Intensitätsratings c Effekt Wert F Hypothese df Fehler df Signifikanz Konstanter Term,67 4,47 a 3, 35,,,733 4,47 a 3, 35,,,364 4,47 a 3, 35,, Größte charakteristische Wurzel nach Roy,364 4,47 a 3, 35,,,78,983 a 3, 35,,4,9,983 a 3, 35,,4,84,983 a 3, 35,,4 Größte charakteristische Wurzel nach Roy,84,983 a 3, 35,,4 Geschlecht,6,84 a 3, 35,,97,984,84 a 3, 35,,97,6,84 a 3, 35,,97 Größte charakteristische Wurzel nach Roy,6,84 a 3, 35,,97,7,3 6, 7,,353,83,4 a 6, 7,,348,3,5 6, 68,,344 Größte charakteristische Wurzel nach Roy,9,88 b 3, 36,,95 a. Exakte Statistik b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ Tabelle 33: Tests der Zwischensubjekteffekte für SAM-Intensitätsratings Quelle Korrigiertes Modell Konstanter Term Geschlecht Fehler Korrigierte variation Tests der Zwischensubjekteffekte für SAM - Intensitätsratings Abhängige Variable SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. Quadratsumme vom Typ III a. R-Quadrat =,5 (korrigiertes R-Quadrat =,3) b. R-Quadrat =,87 (korrigiertes R-Quadrat = -,) c. R-Quadrat =,9 (korrigiertes R-Quadrat = -,7) df,65 a 4,86,3,8 7,636 b 4,99,883,484 7,483 c 4,87,93,456 7,97 7,97,7,,986,986,38,48 7,673 7,673 8,798,5 4,36 4,36,893,77 5,66 5,66,596,6 4,95 4,95,465,5,9,9,9,96,683,683,36,577,6,6,3,959,64 5,3,496,96,77,358,66,848 5,56,78,384,63 78,874 37,3 8,34 37,63 74,3 37,9 69, ,6 4 36, , ,67 4 8,84 4 Mittel der Quadrat e F Signifikanz 67
21 Tabelle 34: Korrelationen für SAM-Intensitätsratings Korrelationen für SAM - Intensitätsratings Spearman-Rho SAM Intensität neg. SAM Intensität neutr. SAM Intensität pos. Achtsamkeit in h + FFaScore Achtsamkeitspraxis in Stunden Praxisdauer in Jahren Prozentrang Achtsamkeit **. Die Korrelation ist auf dem, iveau signifikant (einseitig). *. Die Korrelation ist auf dem,5 iveau signifikant (einseitig). SAM Intensität neg. SAM Intensität neutr. SAM Intensität pos.,,44**,98**.,3, 4 4 4,44**,,59**,3., 4 4 4,98**,59**,,, ,9,3 -,38,9,6, ,8*,8 -,56,35,4, ,96*,58 -,67,9,58, ,84*,5 -,8,34,7, ,5,8 -,35,55,4, C.: SAM-Valenzratings Tabelle 35: Multivariate Tests für SAM-Valenzratings Multivariate Tests für SAM - Valenzratings c Effekt Wert F Hypothese df Fehler df Signifikanz Konstanter Term,938 76,645 a 3, 35,,,6 76,645 a 3, 35,, 5,4 76,645 a 3, 35,, Größte charakteristische Wurzel nach Roy 5,4 76,645 a 3, 35,,,59 4,76 a 3, 35,,4,74 4,76 a 3, 35,,4,349 4,76 a 3, 35,,4 Größte charakteristische Wurzel nach Roy,349 4,76 a 3, 35,,4 Geschlecht,95,6 a 3, 35,,35,95,6 a 3, 35,,35,5,6 a 3, 35,,35 Größte charakteristische Wurzel nach Roy,5,6 a 3, 35,,35,73,894 6, 7,,93,74,888 a 6, 7,,95,33,879 6, 68,,97 Größte charakteristische Wurzel nach Roy,6 3,4 b 3, 36,,37 a. Exakte Statistik b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ 68
22 Tabelle 36: Tests der Zwischensubjekteffekte für SAM-Valenzratings Quelle Korrigiertes Modell Konstanter Term Geschlecht Fehler Korrigierte variation Tests der Zwischensubjekteffekte für SAM - Valenzratings Abhängige Variable SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv Quadratsum me vom Typ III a. R-Quadrat =,9 (korrigiertes R-Quadrat =,4) b. R-Quadrat =,39 (korrigiertes R-Quadrat =,45) c. R-Quadrat =,7 (korrigiertes R-Quadrat = -,9) df 4,849 a 4,,447,63,936 b 4,484 4,33,6,36 c 4,33,73,588 7,735 7,735 35,8, 8,35 8,35 5,83, 5,373 5,373 8,445,,38,38,64,48,395,395,48,,479,479,3,36,58,58,67,38,39,39 3,49,7,54,54,33,569 3,9,95 3,936,8,76,38,33,33,6,63,356,7 8,33 37,495 4,35 37, 7,87 37,465 43, ,8 4 76, ,79 4 6,7 4 8,5 4 Mittel der Quadrate F Signifikanz Tabelle 37: Post-Hoc-Tests für SAM-Valenzratings Bonferroni Abhängige Variable SAM Valenz neg. Bilder SAM Valenz neutr. Bilder SAM Valenz pos. Bilder = ichtmeditierende, =, = Basiert auf beobachteten Mittelwerten. *. Die mittlere Differenz ist auf der Stufe,5 signifikant. Mehrfachvergleiche für SAM - Valenzratings Mittlere Differenz (I-J) 95% Konfidenzintervall Standard fehler Signifikanz Untergrenze Obergrenze -,595,469,63 -,8,3 -,833*,3335,35 -,64 -,464,595,469,63 -,3,8 -,378,897, -,966,487,833*,3335,35,464,64,378,897, -,487,966 -,9,3346,366 -,5448,3 -,755,6994,339 -,76,496,9,3346,366 -,3,5448 -,646,57, -,4577,385,755,6994,339 -,496,76,646,57, -,385,4577,588,3768, -,4358,7534,475,364,558 -,3496,645 -,588,3768, -,7534,4358,487,798, -,453,9487 -,475,364,558 -,645,3496 -,487,798, -,9487,453 69
23 Tabelle 38: Korrelationen für SAM-Valenzratings Korrelationen für SAM - Valenzratings Spearman-Rho SAM Valenz neg. SAM Valenz neutr. SAM Valenz pos. Achtsamkeit in h + FFaScore AchtsamkeitspraxisIn Stunden Praxisdauer in Jahren Prozentrang Achtsamkeit **. Die Korrelation ist auf dem, iveau signifikant (einseitig). *. Die Korrelation ist auf dem,5 iveau signifikant (einseitig). SAM Valenz neg. SAM Valenz neutr. SAM Valenz pos., -,74 -,68**.,35, ,74,,3*,35., ,68**,3*,,, ,4**,38* -,98,4,3, ,394**,5 -,69*,5,76, ,4**,8 -,77*,4,83, ,438**,94* -,4,,9, ,36**,3 -,53,9,7, ,37,57** -,5,93,, C.3: achinterview Tabelle 39: Mann-Whitney-Test für Wandel der Gefühlsintensität Mann-Whitney-Test für Wandel der Gefühlsintensität: Statistik b Mann-Whitney-U Wilcoxon-W Z Asymptotische Signifikanz (-seitig) Exakte Signifikanz [*(-seitig Sig.)] =hat sich etwas erhöht; =hat sich stark erhöht 7, 33, -,994 a. icht für Bindungen korrigiert.,3,4 a b. nvariable: =; = Tabelle 4: Chi-Quadrat-Test für Wandel der Gefühlsintensität Chi-Quadrat nach Pearson Kontinuitätskorrektur a Likelihood-Quotient Exakter Test nach Fisher Zusammenhang linear-mit-linear Anzahl der gültigen Fälle Wert a. Wird nur für eine x-tabelle berechnet Chi-Quadrat-Tests,3 b,3,348,555,67,3,989,3 3 df Asymptotische Signifikanz (-seitig) Exakte Signifikanz (-seitig) Exakte Signifikanz (-seitig),49,8 b. Zellen (5,%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 3,. 7
24 C.: EDA-Zeitverlauf Tabelle 4: Kolmogorov-Smirnov-Tests für EDA-Zeitverlauf Kolmogorov-Smirnov-Anpassungstests für EDA - Latenz, EDA - Anstiegszeit und EDA - Halbwertszeit Parameter der ormalverteilung a,b Extremste Differenzen Kolmogorov-Smirnov-Z Mittelwert Absolut Positiv egativ Latenz neg. Bilder Latenz neutr. Bilder Latenz pos. Bilder Standardabweichung Anstiegszeit neg. Bilder Anstiegszeit neutr. Bilder Anstiegszeit pos. Bilder Halbwertszeit neg. Bilder Halbwertszeit neutr. Bilder Halbwertszeit pos. Bilder ,658,437,74,588,355,636,355,8,78,488,4487,463,493,3549,436,336,898,94,,46,4,45,65,34,86,5,6,,3,4,45,6,34,7,93,6 -,9 -,46 -,84 -,3 -,65 -,77 -,86 -,5 -,86,73,955,684,95,8,876,8,345,353 Asymptotische Signifikanz (-seitig),659,3,738,36,93,47,3,54,5 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Tabelle 4: Levene-Test zur Varianzhomogenität für EDA-Zeitverlauf Test auf Homogenität der Varianz für EDA - Latenz, - Anstiegszeit, - Halbwertszeit Latenz neg. Bilder Latenz neutr. Bilder Latenz pos. Bilder Anstiegszeit neg. Bilder Anstiegszeit neutr. Bilder Anstiegszeit pos. Bilder Halbwertszeit neg. Bilder Halbwertszeit neutr. Bilder Halbwertszeit pos. Bilder Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Levene- Statistik df df Signifikanz, 4,95,5 4,875,5 36,8,875, 4,885,34 4,585,7 4,74,7 36,48,74,6 4,69, 4,64,75 4,678,75 4,,678,99 4,657,64 4,434, 4,74, 8,96,74,334 4,567,443 4,37,656 4,43,656 3,745,44,9 4,3,44 4,53,8 4,643,8 4,,643,37 4,546, 4,883,367 4,548,367 35,84,549,64 4,688, 4,649,4 4,949,4 33,85,949,4 4,79,75 4,93,88 4,78,88 38,936,78,83 4,86 7
25 Tabelle 43: Multivariate Tests für EDA-Zeitverlauf Effekt Konstanter Term Geschlecht Bildvalenz * IAPSValenz a. Exakte Statistik c Multivariate Tests für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Wert F Hypothese df Fehler df Signifikanz,6,64 a 3, 6,,68,984,64 a 3, 6,,68,6,64 a 3, 6,,68,6,64 a 3, 6,,68,6,69 a 3, 6,,598,984,69 a 3, 6,,598,6,69 a 3, 6,,598,6,69 a 3, 6,,598,33 5,947 a 3, 6,,,867 5,947 a 3, 6,,,54 5,947 a 3, 6,,,54 5,947 a 3, 6,,,3,74 6, 34,,5,87,763 a 6, 3,,3,47,8 6, 3,,,4 5,55 b 3, 7,,,3,9 6, 34,,5,898,33 a 6, 3,,5,,48 6, 3,,49,98 3,839 b 3, 7,,,3,3, 354,,997,978,, 37,99,997,3,9, 344,,998,8,536 b 4, 8,,7 b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl++IAPSValenz+ * IAPSValenz Tabelle 44: Tests der Zwischensubjekteffekte für EDA-Zeitverlauf Quelle Korrigiertes Modell Konstanter Term Geschlecht Bildvalenz Fehler Korrigierte variation Tests der Zwischensubjekteffekte für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Abhängige Variable EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit Quadratsum me vom Typ III a. R-Quadrat =,43 (korrigiertes R-Quadrat =,79) b. R-Quadrat =,3 (korrigiertes R-Quadrat =,66) c. R-Quadrat =,88 (korrigiertes R-Quadrat =,) df 6,649 a,665 3,789, 5,849 b,585 3,548,,96 c,96,74,5,38,38,755,88,4,4,96,57,75,75,46,38,67,67 9,5,3,697,697 4,7,4,54,54 7,34,8,55,55,884,349,8,8,5,95,8,8,6,734,55,63 7,95,,74,37 8,36,,847,44 5,98,4,435,77 4,88,9,575,788 4,777,,68,34,874,58,78 8,75 9,455 8,65 8,447 8,7 73, ,65 9 8, , ,35 8,49 8 Mittel der Quadrate F Signifikanz 7
26 Tabelle 45: Post-Hoc-Tests für EDA-Zeitverlauf Mehrfachvergleiche für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Bonferroni Abhängige Variable Latenz Anstiegszeit Halbwertszeit = ichtmeditierende, =, = Basiert auf beobachteten Mittelwerten. *. Die mittlere Differenz ist auf der Stufe,5 signifikant. Mittlere Differenz (I-J) 95% Konfidenzintervall Standardf ehler Signifikanz Untergrenze Obergrenze,33,9,58 -,54,439,378*,575,4,97,6589 -,33,9,58 -,439,54,647,635,37 -,933,48 -,378*,575,4 -,6589 -,97 -,647,635,37 -,48,933,373*,8573,,9,4453,3993*,,,3,6665 -,373*,8573, -,4453 -,9,6,8,336 -,835,475 -,3993*,, -,6665 -,3 -,6,8,336 -,475,835,486*,5544,5,4,83,38*,7,4,59,446 -,486*,5544,5 -,83 -,4,83,6543,67 -,755,4 -,38*,7,4 -,446 -,59 -,83,6543,67 -,4,755 Tabelle 46: Korrelationen für EDA-Zeitverlauf Korrelationen für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Spearman-Rho Latenz Anstiegszeit Halbwertszeit Prozentrang Achtsamkeit Achtsamkeit in Stunden + FFAScore Achtsamkeitspraxis in Stunden Praxisdauer in Jahren = fem = mask **. Die Korrelation ist auf dem, iveau signifikant (einseitig). EDALatenz EDAAnsti egszeit EDAHalb wertszeit,,976**,859**.,, ,976**,,866**,., ,859**,866**,,, ,68** -,8** -,7**,,, ,78** -,69** -,7**,,, ,5** -,4** -,39**,,3, ,44** -,35** -,3**,3,4, ,4** -,43** -,4**,3,3, , -,9 -,48,494,44, ,7**,**,79**,,6,
27 Tabelle 47: Regressionsrechnung für EDA-Latenz Koeffizienten a Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: Latenz icht standardisierte Koeffizienten B Standardf ehler Standardisie rte Koeffizienten Beta,838,79,658, -,5, -,97-3,5, T Signifikanz Tabelle 48: Regressionsrechnung für EDA-Anstiegszeit Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: Anstiegszeit B Koeffizienten a icht standardisierte Koeffizienten Standardf ehler Standardisie rte Koeffizienten Beta,76,75,94, -,5, -,36-3,68, T Signifikanz Tabelle 49: Regressionsrechnung für EDA-Halbwertszeit Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: Halbwertszeit B Koeffizienten a icht standardisierte Koeffizienten Standardf ehler Standardisie rte Koeffizienten Beta,4,48 8,53, -,3, -,96-3,486, T Signifikanz C.: Startle-Zeitverlauf Tabelle 5: Levene und Kolmogorov-Smirnov-Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Kolmogorov-Smirnov-Anpassungstest für Differenz der Startle-Response während - nach Bilddarbietung Parameter der ormalverteilung a,b Mittelwert Standardabweichung negative Bilder positive Bilder 43 43,646 5,88 9,3983 4,4677 Levene-Test für Differenz der Startle-Response während - nach Bilddarbietung a negative Bilder positive Bilder F df df Signifikanz,7 4,763,8 4,3 Prüft die ullhypothese, daß die Fehlervarianz der abhängigen Variablen über n hinweg gleich ist. a. Design: Intercept++Geschl+ Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig) a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet.,9,86,9,86 -,6 -,93,77,,68, 74
28 Tabelle 5: Multivariate Tests für Differenz der Startle-Response während - nach Bilddarbietung Effekt Konstanter Term Geschlecht a. Exakte Statistik Multivariate Tests für Differenz der Startle-Response während - nach Bilddarbietung c Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ Wert F Hypothese df Fehler df Signifikanz,45,878 a, 37,,44,955,878 a, 37,,44,47,878 a, 37,,44,47,878 a, 37,,44,,3 a, 37,,796,988,3 a, 37,,796,,3 a, 37,,796,,3 a, 37,,796,4,78 a, 37,,466,96,78 a, 37,,466,4,78 a, 37,,466,4,78 a, 37,,466,79,777 4, 76,,544,9,77 a 4, 74,,547,85,766 4, 7,,55,85,6 b, 38,,3 Tabelle 5: Tests der Zwischensubjekteffekte für Differenz der Startle-Response während - nach Bilddarbietung Tests der Zwischensubjekteffekte für Differenz der Startle-Response während - nach Bilddarbietung Quelle Korrigiertes Modell Konstanter Term Geschl Fehler Korrigierte variation Abhängige Variable negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder Quadratsum me vom Typ III a. R-Quadrat =,78 (korrigiertes R-Quadrat = -,) b. R-Quadrat =,33 (korrigiertes R-Quadrat =,4) df 87,99 a 4 7,8,798,534 67,758 b 4 9,94,455,35,64,64,4,96 36,699 36,699,83,87 5,699 5,699,63,83 86,645 86,645,43,55 44,4 44,4,49,487 45,97 45,97,6,75 95,4 97,5,84,348 67,8 83,59,47,66 348, , ,455 38,67 46, , , ,4 4 Mittel der Quadrate F Signifikanz Tabelle 53: Levene und Kolmogorov-Smirnov-Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Kolmogorov-Smirnov-Anpassungstest für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Levene-Test auf Gleichheit der Fehlervarianzen für Differenz während - nachher bei Startle-Potenzierung und -Inhibition a Differenz Potenzierung Differenz Inhibition F df df Signifikanz,7 4,764 3,49 4,59 Prüft die ullhypothese, daß die Fehlervarianz der abhängigen Variablen über n hinweg gleich ist. a. Design: Intercept++Geschl+ Parameter der ormalverteilung a,b Extremste Differenzen Kolmogorov-Smirnov-Z Mittelwert Standardabweichung Absolut Positiv egativ Asymptotische Signifikanz (-seitig) a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Differenz Potenzierung Differenz Inhibition 43 43,357 8,494,758 4,5435,93,98,7,98 -,93 -,78,69,644,85,8 75
29 Tabelle 54: Deskriptive Statistiken für Potenzierungs und Inhibitions-Zeitverlauf Deskriptive Statistiken für Zeitverlauf der Potenzierung je Deskriptive Statistiken für Zeitverlauf der Inhibition je,5 s ichtmeditierende Mittelwert Standardab weichung -9,7,63 3,5 s ichtmeditierende Mittelwert Standardab weichung 9,38 8, ,373 8,8497,4,4385 -,387 4,6 8 -,874 8, ,3 9, ,645 5, ,5 s ichtmeditierende,659 3, ,5 s ichtmeditierende 3,74,738 3,355,685 6,997,8387,955 3, ,7998 3,459 8,396 5, ,4, ,5 s ichtmeditierende 6,88 4,65 3 6,5 s ichtmeditierende -4,47 6, ,486 4,6,745 3,794 -,6 8, ,883, ,3349, ,5848, ,5 s ichtmeditierende,365 4,7 3 7,5 s ichtmeditierende -8,64 3, ,746 9, ,945,3668,56 5, ,6656,36 8 5,8966 5, ,567 3, ,5 s ichtmeditierende -,377 7, ,5 s ichtmeditierende -,8969 8, ,796 7,564-6,36 7,54 3,677 5,9986 8,957 6, ,459, ,656 6, s ichtmeditierende,555 7, s ichtmeditierende -7,5 8,65 3-3,498 7,95-3,5897 5,39493,99 4, ,95 8,83 8 -,8667, ,366 5, s ichtmeditierende -,5584 8, s ichtmeditierende,54,6884 3,5853 5,867,54 3,7887 3,874 4, ,73 3,3939 8,67 4, ,457, Tabelle 55: Multivariate Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Effekt Multivariate Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition c Konstanter Term Geschlecht a. Exakte Statistik Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Wert F Hypothese df Fehler df Signifikanz,35,678 a, 37,,54,965,678 a, 37,,54,37,678 a, 37,,54,37,678 a, 37,,54,5,99 a, 37,,38,949,99 a, 37,,38,54,99 a, 37,,38,54,99 a, 37,,38,,549 a, 37,,9,879,549 a, 37,,9,38,549 a, 37,,9,38,549 a, 37,,9,7,86 4, 76,,83,873,95 a 4, 74,,8,45,3 4, 7,,77,43,79 b, 38,,79 b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ 76
30 Tabelle 56: Tests der Zwischensubjekteffekte für Differenz während - nachher bei Startle -Potenzierung und -Inhibition Tests der Zwischensubjekteffekte für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Quelle Korrigiertes Modell Konstanter Term Geschlecht Fehler Korrigierte variation Abhängige Variable Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition a. R-Quadrat =,87 (korrigiertes R-Quadrat = -,9) b. R-Quadrat =,9 (korrigiertes R-Quadrat =,37) Quadratsum me vom Typ III df 4, a 4 5,33,9,473 87,37 b 4 467,843,668,47 8,944 8,944,8,39 48,83 48,83,79,6,3,3,87,86 58,5 58,5,334,567 49,73 49,73,33,5 65,87 65,87 3,5,69 3,975,987,3,93 946,9 473,45,7,8 4439, , , ,38 486, , , ,833 4 Mittel der Quadrate F Signifikanz C3.: Intensität der neurophysiologische Komponente Tabelle 57: Kolmogorov-Smirnov-Tests für EDA-Intensität Kolmogorov-Smirnov-Anpassungstest für EDA - Intensität Parameter der ormalverteilung a,b Mittelwert Standardabweichung Summe neg. Bilder Summe neutr. Bilder Summe pos. Bilder Maximum neg. Bilder Maximum neutr. Bilder Maximum pos. Bilder ,,665,447,,69,9,437,735,377,4779,77,65 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),94,5,63,4,3,53,83,5,63,9,3,4 -,94 -,85 -,38 -,4 -, -,53,75,34,68,469,59,5,78,55,4,7,,64 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. 77
31 Tabelle 58: Levene-Test zur Varianzhomogenität für EDA-Intensität Test auf Homogenität der Varianz für EDA - Intensität Summe neg. Bilder Summe neutr. Bilder Summe pos. Bilder Maximum neg. Bilder Maximum neutr. Bilder Maximum pos. Bilder Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Levene- Statistik df df Signifikanz,79 4,38,943 4,398,943 34,43,399,84 4,75,53 4,9,836 4,44,836 38,696,44,45 4,47,8 4,83,4 4,787,4 39,599,787,9 4,8,64 4,6,89 4,45,89 5,53,456,63 4,94 4,56 4,6,74 4,78,74 36,45,8 4,79 4,4, 4,3,8 4,456,8 37,95,456,6 4,338 Tabelle 59: Tests der Zwischensubjekteffekte für EDA-Intensität Quelle Korrigiertes Modell Konstanter Term Geschlecht Bildvalenz * Bildvalenz Fehler Korrigierte variation Tests der Zwischensubjekteffekte für EDA - Intensität Abhängige Variable EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax Quadratsum me vom Typ III a. R-Quadrat =,35 (korrigiertes R-Quadrat =,6) b. R-Quadrat =,5 (korrigiertes R-Quadrat =,78) df,78 a,78,836,6,75 b,7,8,3,9,9,,638,6,6,448,55,66,66,54,7,8,8,643,44,9,9 3,8,84,4,4 3,,8,448,4 5,58,6,5,53 3,996,,,6,43,47,69,35,6,77,6 4,4,94,984,4 4,4,7,897 5,3 8,43,556 8,3,54 9 3,3 9 5,8 8,83 8 Mittel der Quadrate F Signifikanz 78
32 Tabelle 6: Multivariate Tests für für EDA-Intensität Effekt Konstanter Term Geschlecht Bildvalenz * Bildvalenz a. Exakte Statistik Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Multivariate Tests für EDA - Intensität c Wert F Hypothese df Fehler df Signifikanz,5,37 a, 7,,736,995,37 a, 7,,736,5,37 a, 7,,736,5,37 a, 7,,736,,8 a, 7,,97,979,8 a, 7,,97,,8 a, 7,,97,,8 a, 7,,97,6,578 a, 7,,,974,578 a, 7,,,7,578 a, 7,,,7,578 a, 7,,, 3,45 4, 36,,9,89 3,457 a 4, 34,,9,9 3,46 4, 3,,9,95 5,68 b, 8,,5,63,96 4, 36,,,938,9 a 4, 34,,9,66,97 4, 3,,8,6 3,67 b, 8,,3,69,59 8, 36,,393,93,66 a 8, 34,,388,74,73 8, 3,,383,7,98 b 4, 8,,85 b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl++IAPSValenz+ * IAPSValenz Tabelle 6: Post-Hoc-Tests für EDA-Intensität Bonferroni Mehrfachvergleiche für EDA - Intensität Abhängige Variable Summe Maximum = ichtmeditierende, =, = Basiert auf beobachteten Mittelwerten. *. Die mittlere Differenz ist auf der Stufe,5 signifikant. Mittlere Differenz (I-J) 95% Konfidenzintervall Standardf ehler Signifikanz Untergrenze Obergrenze,9,45,8 -,3,933,43*,5459,3,5,756 -,9,45,8 -,933,3,59,56,88 -,688,747 -,43*,5459,3 -,756 -,5 -,59,56,88 -,747,688,343,35,44 -,7,94,83*,39,4,8,546 -,343,35,44 -,94,7,469,773,79 -,4,43 -,83*,39,4 -,546 -,8 -,469,773,79 -,43,4 79
33 Tabelle 6: Korrelationen für EDA-Intensität Korrelationen für EDA - Intensität Spearman-Rho Summe Maximum Prozentrang Achtsamkeit Achtsampraxis in Stunden + FFaScore Achtsamkeitspraxis in Stunden Praxisdauer in Jahren = fem = mask **. Die Korrelation ist auf dem, iveau signifikant (einseitig). *. Die Korrelation ist auf dem,5 iveau signifikant (einseitig). Summe Maximum,,944**., 43 43,944**,, ,4** -,5**,3, ,5** -,46**,, ,** -,8**,6, ,6** -,3*,, ,** -,6**,9, ,3 -,,36, ,44**,6**,3, Tabelle 63: Regressionsrechnung für EDA-Summe Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: EDA - Summe Koeffizienten a icht standardisierte Koeffizienten B Standardf ehler Standardisie rte Koeffizienten Beta,39,37 8,449, -,, -,66-3,4, T Signifikanz Tabelle 64: Regressionsrechnung für EDA-Maximum Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: EDA Maximum Koeffizienten a icht standardisierte Koeffizienten B Standardf ehler Standardisierte Koeffizienten Beta,58, 7,687, -,, -,49 -,89,5 T Signifikanz 8
34 C3.: Intensität der motivationalen Komponente Tabelle 65: Kolmogorov-Smirnov-Tests für Startle-Response Kolmogorov-Smirnov-Anpassungstest für Startle - Response über alle Zeitpunkte ichtmeditierende Parameter der ormalverteilung a,b Mittelwert Standardabweichung neg. Bilder neutr. Bilder pos. Bilder Inhibition Potenzierung , ,433 54,373,393,4454 8,59 9,44 3,6333 3,483,5 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),4,3,6,39,86,4,3,6,55,86 -,73 -,9 -, -,39 -,6,8,53,56,39,8,3,87,9,59,5 Parameter der ormalverteilung a,b Mittelwert Standardabweichung , ,5 34,453 -,4,9 7,3739 6,593 8,734 8,364 4,5793 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),4,,,96,99,4,,,73,95 -,84 -,83 -,8 -,96 -,99,86,383,47,87,3,73,44,89,,97 Parameter der ormalverteilung a,b Mittelwert Standardabweichung ,553 9,846,595 -,6949,437,367 9,33,6769 7,98 7,35686 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),6,4,7,4,7,6,4,7,8,7 -,74 -,57 -,79 -,4 -,93,945,78,95,55,83,333,575,34,6,539 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Tabelle 66: AOVA für overall Startle-Response StartleResponse OEWAY AOVA für overall Startle-Response Zwischen den n Innerhalb der n Quadrats umme df 659, ,744,73, 3, ,99 765,43 4 Mittel der Quadrate F Signifikanz Tabelle 67: Kruskal-Wallis-Test für overall Startle-Response Statistik für Kruskal-Wallis-Test für overall Startle-Response a,b Kruskal-Wallis-Test für overall Startle-Response: Ränge Mittlerer Rang Startle-Response 3 3,54,4 8, 43 Chi-Quadrat df Asymptotische Signifikanz a. Kruskal-Wallis-Test b.,, Startle Response 6,948, 8
Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.
Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
MehrVarianzanalyse (ANOVA: analysis of variance)
Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.
MehrAllgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter
MehrSPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
MehrBeispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav
Beispiel für eine multivariate Varianzanalyse () Daten: POKIV_Terror_V12.sav Es soll überprüft werden, inwieweit das ATB-Syndrom (Angst vor mit den drei Subskalen affektive Angst von, Terrorpersistenz,
MehrWeitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell
Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert
MehrTabelle 136: Unterschiede zwischen den Clustern in der Bearbeitungszeit des Wissenstests (LT-ZEIT)
Tabelle 136: Unterschiede zwischen den Clustern in der Bearbeitungszeit des Wissenstests (LT-ZEIT) Einfaktorielle Varianzanalyse Test der Homogenität der Varianzen Levene-Statistik df1 df2 1.938 4 317.104
MehrEtwas positive Tendenz ist beim Wechsel der Temperatur von 120 auf 170 zu erkennen.
Explorative Datenanalyse Erstmal die Grafiken: Aufreisskraft und Temperatur 3 1-1 N = 1 15 17 Temperatur Diagramm 3 1 95% CI -1 N = 1 15 17 Temperatur Etwas positive Tendenz ist beim Wechsel der Temperatur
MehrAufgaben zu Kapitel 4
Rasch, Friese, Hofmann & aumann (2006). Quantitative Methoden. Band (2. Auflage). Heidelberg: Springer. Aufgaben zu Kapitel 4 Aufgabe a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl
MehrIm Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.
Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre
MehrHypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
MehrEinführung in die Varianzanalyse mit SPSS
Einführung in die Varianzanalyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen 6. Mai 00 Inhalt. Varianzanalyse. Prozedur ONEWAY. Vergleich von k Gruppen 4. Multiple Vergleiche 5. Modellvoraussetzungen
MehrSignifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1-
SPSSinteraktiv Signifikanztests (Teil ) - - Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil - t-test bei einer Stichprobe - SPSS-Output Der t-test bei einer Stichprobe wird
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrStatistik für Studenten der Sportwissenschaften SS 2008
Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher
MehrVarianzanalytische Methoden Zweifaktorielle Versuchspläne 4/13. Durchführung in SPSS (File Trait Angst.sav)
Zweifaktorielle Versuchspläne 4/13 Durchführung in SPSS (File Trait Angst.sav) Analysieren > Allgemeines Lineares Modell > Univariat Zweifaktorielle Versuchspläne 5/13 Haupteffekte Geschlecht und Gruppe
Mehr1. Inhaltsverzeichnis. 2. Abbildungsverzeichnis
1. Inhaltsverzeichnis 1. Inhaltsverzeichnis... 1 2. Abbildungsverzeichnis... 1 3. Einleitung... 2 4. Beschreibung der Datenquelle...2 5. Allgemeine Auswertungen...3 6. Detaillierte Auswertungen... 7 Zusammenhang
MehrAnhang. Anhang 1: Verwendete Plasmide
Anhang 1: Verwendete Plasmide Plasmid Vektor Gen Referenz pbs356 pbluescript II KS 2 O. Rossier; 131 pbs356 NLS pbluescript II KS 2 NLS 324 pbs356 SphI pbluescript II KS 2 SphI O. Rossier; 131 pbs 1-150
MehrAuswertung und Darstellung wissenschaftlicher Daten (1)
Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
Mehr(VU) Übungen zur Einführung in die statistische Datenanalyse II. Inhalte Statistik I. Inhalte Statistik I Deskriptive Statistik
II Übungen zur II Organisatorische Hinweise Keine Anwesenheitspflicht (aber empfehlenswert) Einführung in die statistische Datenanalyse II (VU) Lehrinhalte (.ppt Folien): elearning.univie.ac.at 3 Prüfungstermine:
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrGeschlecht + Anfangsgehalt. T-Test für das Anfangsgehalt Gruppenstatistiken. Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3
Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3 Geschlecht + Anfangsgehalt 14000 399 403 7000 12000 335 Anfangsgehalt 10000 8000 6000 4000 2000 N = 28 63 185 291 227 52 215 158 88 284 193
MehrÜbungen zur Veranstaltung Statistik 2 mit SPSS
Raum 22, Tel. 39 4 Aufgabe 5. Wird der neue Film MatchPoint von Woody Allen von weiblichen und männlichen Zuschauern gleich bewertet? Eine Umfrage unter 00 Kinobesuchern ergab folgende Daten: Altersgruppe
MehrTabelle A1: Items der Pilotstudie zum Verhalten. 1. kosmetische Chirurgie (z.b. Fettabsaugen, Straffung der Augenlieder, Haartransplantation)
ANHANG 195 12. Anhang ANHANG A Tabelle A1: Items der Pilotstudie zum Verhalten Welche der folgenden Verhaltensweisen und Aussagen treffen auf Sie zu? (Bipolare Antwortmöglichkeiten wurden vorgegeben) 1.
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Streudiagramme SPSS bietet die Möglichkeit, verschiedene Arten von Streudiagrammen zu zeichnen. Gehen Sie auf Grafiken Streu-/Punkt-Diagramm und wählen Sie die Option Einfaches
MehrÜberblick über die Tests
Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrWebergänzung zu Kapitel 10
Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrHäufigkeitsauszählungen, zentrale statistische Kennwerte und Mittelwertvergleiche
Lehrveranstaltung Empirische Forschung und Politikberatung der Universität Bonn, WS 2007/2008 Häufigkeitsauszählungen, zentrale statistische Kennwerte und Mittelwertvergleiche 30. November 2007 Michael
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
MehrDSR Daten, Statistik, Risikobewertung AUSWERTUNG GAHS. Intervention + BMI
DSR Daten, Statistik, Risikobewertung AUSWERTUNG GAHS + BMI Sophie-Helene Narath Klemens Fuchs Günter Polt Bericht Nr.: B09_003_DSR Freigegeben im April 09 Österreichische Agentur für Gesundheit und Ernährungssicherheit
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 3A Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Mit den Berechnungsfunktionen LG10(?) und SQRT(?) in "Transformieren", "Berechnen" können logarithmierte Werte sowie die Quadratwurzel
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
MehrVarianzanalyse ANOVA
Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrMarktforschung I. Marktforschung I 2
Marktforschung I Marktforschung I Einführung in die Testtheorie (Toporowski) Mathematische Grundlagen (Toporowski) Varianzanalyse (Toporowski) Regressionsanalyse (Boztuğ) Diskriminanzanalyse (Hammerschmidt)
MehrPrüfung eines Datenbestandes
Prüfung eines Datenbestandes auf Abweichungen einzelner Zahlen vom erwarteten mathematisch-statistischen Verhalten, die nicht mit einem Zufall erklärbar sind (Prüfung auf Manipulationen des Datenbestandes)
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrV A R I A N Z A N A L Y S E
V A R I A N Z A N A L Y S E Ziel / Funktion: statistische Beurteilung des Einflusses von nominal skalierten (kategorialen) Faktoren auf intervallskalierte abhängige Variablen Vorteil: die Wirkung von mehreren,
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
MehrStatistik II Übung 3: Hypothesentests
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrDie Bedeutung der Berufserfahrung für den Studienerfolg beruflich Qualifizierter (BQ)
Die Bedeutung der Berufserfahrung für den Studienerfolg beruflich Qualifizierter (BQ) Tagung: "ANKOM Übergänge von der beruflichen in die hochschulische Bildung" Berlin 24.06.2014 Helena Berg, M.A., Holger
MehrMessung von Veränderungen. Dr. Julia Kneer Universität des Saarlandes
von Veränderungen Dr. Julia Kneer Universität des Saarlandes Veränderungsmessung Veränderungsmessung kennzeichnet ein Teilgebiet der Methodenlehre, das direkt mit grundlegenden Fragestellungen der Psychologie
MehrFortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrAusgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS (ab V. 11.0)
Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische e Lösung von Grundaufgaben mit SPSS (ab V..0) Text: akmv_v.doc Daten: akmv??.sav Lehrbuch: W. Timischl, Biostatistik. Wien - New York:
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrHäufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln
Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
Mehr2. Korrelation, lineare Regression und multiple Regression
multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrFelix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009
Cohen s Kappa Felix-Nicolai Müller Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Felix-Nicolai Müller Cohen s Kappa 24.11.2009 1 / 21 Inhaltsverzeichnis 1 2 3 4
MehrKommentierter SPSS-Ausdruck zur logistischen Regression
Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer
MehrSyntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.
Syntax *Ü2. *. corr it25 with alter li_re kontakt. *2. regression var=it25 alter li_re kontakt/statistics /dependent=it25 /enter. regression var=it25 li_re kontakt/statistics /dependent=it25 /enter. *3.
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrStatistik II Übung 3: Hypothesentests Aktualisiert am
Statistik II Übung 3: Hypothesentests Aktualisiert am 12.04.2017 Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3
MehrBeispiel für eine Profilanalyse Daten: POKIII_AG1_V03.sav
Beispiel für eine Daten: POKIII_AG1_V03.sav Es soll überprüft werden, ob es geschlechtsspezifische Unterschiede bei den Einstellungen zum Tanz gibt. Aus dem Fragebogen der AG 1 des POK III wurden folgende
MehrVarianzanalyse. SeKo. Heute. Vivien Röder, M.Sc.Psych. Professur für Forschungsmethodik & Evaluation
ÜbungMethodenlehreII, SeKo VivienRöder,M.Sc.Psych. ProfessurfürForschungsmethodik&Evaluation Einführung wieso,weshalb,warum?, Inferenzstatistik wirwollenanhandeinerstatistik SchlussaufdiePopulationziehen
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Varianzanalyse Statistik
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrAufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen n. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrTesten von Unterschiedshypothesen mit parametrischen Verfahren Der t-test
Schäfer A & Schöttker-Königer T, Statistik und quantitative Methoden für (2015) Arbeitsblatt 1 SPSS Kapitel 5 Seite 1 Testen von Unterschiedshypothesen mit parametrischen Verfahren Der t-test Im Folgenden
MehrEVA. Anhang. I2- Intelligente Infrastruktur 125 / 189
Anhang Anhang : Regelblätter der RVS 5.42... 26 Anhang 2: Regelblätter des Wiener Baustellen Leit- und Sicherheitssystems... 33 Anhang 3: Abbildungen aus der Schweizer Norm SN 640 885c... 36 Anhang 4:
MehrKollektives Sozialkapital als individuelle Ressource?
Kollektives Sozialkapital als individuelle Ressource? Vortrag im Rahmen der Tagung Soziale Netzwerke und Sozialkapital 10./11.11.2005 Sandra Landhäußer er,, Heinz-Günter nter Micheel Fakultät t für f r
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrEinfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte
Einfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte Es wurden die anorganischen Phosphatwerte im Serum (mg/dl) eine Stunde nach einem Glukosetoleranztest bei übergewichtigen Personen mit Hyperinsulinämie,
MehrSozialer Abstieg und Konsum
Sozialer Abstieg und Konsum Auswirkungen finanzieller Verknappung auf das Konsumverhalten Inaugural-Dissertation zur Erlangung des akademischen Grades einer Doktorin der Wirtschaftswissenschaft des Fachbereichs
Mehr7. Mai 2010. Ruhr-Universität Bochum. Methodenlehre II, SS 2009. Prof. Dr. Holger Dette
Ruhr-Universität Bochum 7. Mai 2010 1 / 95 Methodenlehre II NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30-10.00
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrMotivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen
Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann
MehrNichtparametrische statistische Verfahren
Nichtparametrische statistische Verfahren (im Wesentlichen Analyse von Abhängigkeiten) Kategorien von nichtparametrischen Methoden Beispiel für Rangsummentests: Wilcoxon-Test / U-Test Varianzanalysen 1-faktorielle
MehrDokumentation. estat Version 2.0
Dokumentation estat Version 2.0 Installation Die Datei estat.xla in beliebiges Verzeichnis speichern. Im Menü Extras AddIns... Durchsuchen die Datei estat.xla auswählen. Danach das Auswahlhäkchen beim
MehrProjekt Kaffeemaschine Welche Faktoren beeinflussen das Geschmacksurteil?
AKULTÄT ANGEWANDTE SOZIALWISSENSCHATEN PRO. DR. SONJA HAUG Projekt Kaffeemaschine Welche aktoren beeinflussen das Geschmacksurteil? Ausgehend von der Verkostung an der Hochschule Regensburg und der dabei
MehrKapitel 7: Varianzanalyse mit Messwiederholung
Kapitel 7: Varianzanalyse mit Messwiederholung Durchführung einer einfaktoriellen Varianzanalyse mit Messwiederholung 1 Durchführung einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem
MehrAnalytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10
Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
MehrAuswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro
Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen
MehrDokumentation Datamining
Hochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Ingenieurwissenschaften, Bereich EuI Dokumentation Datamining Eingereicht am: 13. Mai 2012 von: Karsten Diepelt
MehrTeil II: Einführung in die Statistik
Teil II: Einführung in die Statistik (50 Punkte) Bitte beantworten Sie ALLE Fragen. Es handelt sich um multiple choice Fragen. Sie müssen die exakte Antwortmöglichkeit angeben, um die volle Punktzahl zu
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
Mehr